論文の概要: Uncertain Knowledge Graph Completion via Semi-Supervised Confidence Distribution Learning

• arxiv url: http://arxiv.org/abs/2510.16601v1
• Date: Sat, 18 Oct 2025 17:57:44 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-10-25 00:56:39.059093
• Title: Uncertain Knowledge Graph Completion via Semi-Supervised Confidence Distribution Learning
• Title（参考訳）: 半教師付き信頼分布学習による不確実な知識グラフ補完
• Authors: Tianxing Wu, Shutong Zhu, Jingting Wang, Ning Xu, Guilin Qi, Haofen Wang,
• Abstract要約: 未知知識グラフ(UKG)のための半教師付き信頼分布学習法(ssCDL)を提案する。 ssCDLは、ラベル付きデータおよびラベルなしデータに擬似ラベル付きでリレーショナル学習によってUKG埋め込みを反復的に学習する。 2つのUKGデータセットの実験では、ssCDLは異なる評価基準で常に最先端のベースラインを上回っている。
• 参考スコア（独自算出の注目度）: 26.687570442815595
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: Uncertain knowledge graphs (UKGs) associate each triple with a confidence score to provide more precise knowledge representations. Recently, since real-world UKGs suffer from the incompleteness, uncertain knowledge graph (UKG) completion attracts more attention, aiming to complete missing triples and confidences. Current studies attempt to learn UKG embeddings to solve this problem, but they neglect the extremely imbalanced distributions of triple confidences. This causes that the learnt embeddings are insufficient to high-quality UKG completion. Thus, in this paper, to address the above issue, we propose a new semi-supervised Confidence Distribution Learning (ssCDL) method for UKG completion, where each triple confidence is transformed into a confidence distribution to introduce more supervision information of different confidences to reinforce the embedding learning process. ssCDL iteratively learns UKG embedding by relational learning on labeled data (i.e., existing triples with confidences) and unlabeled data with pseudo labels (i.e., unseen triples with the generated confidences), which are predicted by meta-learning to augment the training data and rebalance the distribution of triple confidences. Experiments on two UKG datasets demonstrate that ssCDL consistently outperforms state-of-the-art baselines in different evaluation metrics.
• Abstract（参考訳）: 未知の知識グラフ(UKG)は、各トリプルと信頼スコアを関連付け、より正確な知識表現を提供する。 近年、現実世界のUKGは不完全性に悩まされているため、不確実な知識グラフ(UKG)の完成が注目され、欠落した3倍と自信の達成を目指している。 現在の研究では、この問題を解決するためにUKG埋め込みを学ぼうとしているが、三重信頼の極端に不均衡な分布を無視している。 このため、学習した埋め込みは高品質の英国G完成には不十分である。 そこで本稿では,UKG完成のための半教師付き信頼分散学習(ssCDL)手法を提案する。 ssCDLは、ラベル付きデータ(つまり、信頼を持つ既存の三重項)とラベルなしデータ(すなわち、生成された信頼を持つ三重項)に関係学習によるUKG埋め込みを反復的に学習し、メタラーニングによって予測され、トレーニングデータを増やし、三重信頼の分布を再バランスさせる。 2つのUKGデータセットの実験では、ssCDLは異なる評価基準で常に最先端のベースラインを上回っている。

関連論文リスト

• 3C: Confidence-Guided Clustering and Contrastive Learning for Unsupervised Person Re-Identification [10.173539278449262]
  教師なし人物再識別(Re-ID)は、非ラベルデータセットでクロスカメラ検索機能を備えた機能ネットワークを学習することを目的としている。 教師なしのRe-IDに対して,信頼誘導型クラスタリングとコントラスト学習(3C)フレームワークを提案する。
  論文  参考訳（メタデータ） (2024-08-18T13:14:20Z)
• Binary Classification with Confidence Difference [100.08818204756093]
  本稿では,信頼性差分法 (ConfDiff) という,弱教師付き二項分類問題について考察する。 本稿では,この問題に対処するためのリスク一貫性のあるアプローチを提案し,推定誤差が最適収束率と一致することを示す。 また,整合性や収束率も証明されたオーバーフィッティング問題を緩和するためのリスク補正手法も導入する。
  論文  参考訳（メタデータ） (2023-10-09T11:44:50Z)
• Towards Distribution-Agnostic Generalized Category Discovery [51.52673017664908]
  データ不均衡とオープンエンドの分布は、現実の視覚世界の本質的な特性である。 我々は,BaCon(Self-Balanced Co-Advice contrastive framework)を提案する。 BaConは、対照的な学習ブランチと擬似ラベルブランチで構成され、DA-GCDタスクを解決するためのインタラクティブな監視を提供するために協力して動作する。
  論文  参考訳（メタデータ） (2023-10-02T17:39:58Z)
• Bidirectional Semi-supervised Dual-branch CNN for Robust 3D Reconstruction of Stereo Endoscopic Images via Adaptive Cross and Parallel Supervisions [15.879059896662723]
  そこで本研究では,教師と生徒の両方の役割を兼ね備えた,2人の学習者との双方向学習手法を提案する。 具体的には、アダプティブ・クロス・スーパービジョン(ACS)とアダプティブ・パラレル・スーパービジョン(APS)の2つの自己スーパービジョンを紹介する。 学習知識は分岐方向(ACSにおける分散誘導)と平行方向(APSにおける分散誘導)の2方向に沿って流れている。
  論文  参考訳（メタデータ） (2022-10-15T13:30:41Z)
• Confidence May Cheat: Self-Training on Graph Neural Networks under Distribution Shift [39.73304203101909]
  高信頼の未ラベルノードをラベル付けし、トレーニングステップに追加することで、グラフ上での自己学習手法が広く採用されている。 本稿では,従来のラベル付きデータセットの分布を復元する新しい分散検索フレームワーク(DR-GST)を提案する。 5つのベンチマークデータセットの理論的解析と広範な実験は、提案したDR-GSTの有効性を実証している。
  論文  参考訳（メタデータ） (2022-01-27T07:12:27Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。